CAIRO beteiligt sich beim internationalen 29. ESANN-Symposium mit einer Federated-Learning-Sitzung

14.09.2021 | Fakultät
Kompetenzzentrum stellt im Rahmen seines Mikrologistik-Projektes Methoden des maschinellen Transfer-Lernens vor

Maschinelles Lernen mit individuellem Training isolierter Datensatz-Modelle in der Mikro-Logistik – zu diesem Thema referieren Mitarbeiter und Forschungspartner des Kompetenzzentrums für künstliche Intelligenz und Robotik (CAIRO) im Rahmen des 29. Europäischen Symposiums über künstliche neuronale Netze, Computational Intelligence und maschinelles Lernen „ESANN“.  

Prof. Dr. Frank-Michael Schleif, M. Sc. Christoph Raab und M. Sc. Moritz Heusinger von der Hochschule für angewandte Wissenschaften Würzburg-Schweinfurt und Prof. Dr. Fabrice Rossi der Université Paris Dauphine PSL halten einen Vortrag zum Thema „Federated Learning – Methods, Applications and Beyond“. Im Zuge des an der FHWS neu initiierten Zentrums CAIRO zeigen sie mit dem Mikrologistik-Projekt „FlowPro“ (Ansprechpartner: Prof. Dr. Christian Bachmeir) Möglichkeiten föderalen, maschinellen Lernens auf. 

Zum Federated Learning

Federated Learning ist eine Methode des verbundenen, maschinellen Lernens, das einzelne Klienten oder Geräte dazu in die Lage versetzt, anhand eines gemeinsamen Modells zu „lernen“. Prof. Dr. Schleif erläutert: „Ein Machine Learning-Modell dient z.B. dazu, Daten in Gruppen zuzuweisen. Bei dieser Klassifikation von Daten wird ein Vorhersagefehler minimiert. Dies geschieht in der Regel über eine Summe von Einzelfehlern, die aus einem Trainingszyklus über allen Trainingspunkten ermittelt werden. Sehr vereinfacht könne man sagen, dass die Nutzerinnen und Nutzer die Einzelfehler bzgl. des Modells ausrechnen und dann die Korrekturvorschläge an eine Zentrale schicken. Diese lokalen Fehler werden von der zentralen Instanz ausgewertet und das Modell so aktualisiert, dass der Gesamtfehler der Vorhersage kleiner wird. Dabei werden keine Daten ausgetauscht, sondern eben nur Modell-Updates (so eine Art Korrekturvorschläge), und nach Zusammenlegung der Korrekturen werden die verbesserten Parameter des neuen Modells allen Klienten übermittelt. Es können klinische Daten und Krankenhäuser sein oder, wie an der FHWS, im FlowPro-Projekt Sensordaten und Drohnen. Dieses Verfahren funktioniert mit vielen Modellarten, ist aber im Detail nicht ganz einfach umzusetzen. Für manche Vorhersagemodelle muss man sehr viele `Stellschrauben` anpassen.“

Zum FlowPro-Projekt der FHWS

Das vom Bundesministerium für Verkehr und digitale Infrastruktur sowie von der Forschungsinitiative mFUND bis zum 30. Juni 2023 geförderte Projekt hat die Mikrologistik der Zukunft mit dezentral organisierten boden- und luftgebundenen autonomen Fördereinheiten im Fokus. FlowPro verfolgt zwei Ziele:

Design und prototypische Implementierung eines dezentralen Mikrologistiksystems in einem kontinuierlichen Evaluierungs- und Feedback-Kreis um das Thema Security

die Entwicklung einer automatischen, dezentralen Angebots-Komponente als Kernfunktion des Logistiksystems in einem Federated Learning-Ansatz. Um schnell auf Änderungen der Umgebungsparameter zu reagieren und Modelle in neuen Umgebungen schnell zu lernen, baut die Komponente auf Transferlernen auf.

Zum ESANN-Symposium

Das Symposium wird seit 1993 veranstaltet. Im Zentrum stehen die Bereiche maschinelles Lernen, Computational Intelligence und künstliche neuronale Netze. Das 29. "ESANN"-Symposium findet vom Mittwoch bis Freitag, 6. bis 8. Oktober, in Brügge, Belgien mit rund 150 internationalen Beteiligten statt.